K-means和逻辑回归
逻辑回归
一个事件的几率是该事件发生的概率/该事件不发生的概率：P/（1-P）
对数几率是：log(P/（1-P）)
**考虑对输入x分类的模型：**log(P/（1-P）)=wx 则 P=exp(wx)/(exp(w*x)+1)
线性函数越接近于正无穷，概率越接近1、线性函数越接近于负无穷，概率越接近0
逻辑回归就是线性回归+sigmoid
优缺点
优点：
- 速度快，适合二分类问题
- 简单易于理解，直接看到各个特征的权重
- 能容易地更新模型吸收新的数据
缺点：
- 对数据和场景的适应能力有局限性，不如决策树算法适应性那么强
原文地址：https://blog.csdn.net/weixin_45880764/article/details/137693966
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！